本文介绍一篇被AAAI 2021录用的工作《Adversarial Directed Graph Embedding》：

Paper: https://arxiv.org/abs/2008.03667

Code: https://github.com/RingBDStack/DGGAN

摘要：

有向图的节点表示学习对于促进许多图挖掘任务至关重要。为了保留节点之间的有向边，现有的有向图嵌入方法一般为每个节点学习两个嵌入向量，源（source）向量和目标（target）向量。但是这些方法都是把源向量表示学习和目标向量表示学习当做两个独立的学习任务。对于那些入度或者出度非常低的节点，相应的目标向量或源向量不能被有效地学习。本文提出了一种基于对抗学习的有向图嵌入方法，叫做DGGAN（Directed Graph embedding framework based on Generative Adversarial Network）。主要的思想是基于对抗学习设计一个判别器和两个生成器。对于给定的节点，两个生成器从同一个分布中生成该节点的虚假的目标和源邻居节点。判别器的目的是区分输入的邻居节点是真实存在于图中的，还是由生成器生成的虚假的节点。由于这两个生成器并不是独立的，而是被结合到一个统一的框架，因此可以互相增强以学习到质量更高的源向量和目标向量。大量的实验表明，DGGAN在多个有向图挖掘任务中持续且显著地优于现有的最新技术。

DGGAN的整体框架

内容中包含的图片若涉及版权问题，请及时与我们联系删除